大模型在推荐广告场景的应用 - 大模型在推荐和广告场景面临两大核心难点：缺乏电商领域专业知识以及文本交互方式导致信息密度低[2] - 阿里妈妈提出世界知识大模型URM，通过知识注入和信息对齐解决上述问题，实现基于推理认知能力的用户兴趣推荐[2] - URM已在阿里妈妈展示广告场景上线，显著提升商家投放效果和消费者购物体验[4] URM模型技术架构 - URM以预训练LLM为基座，通过多任务Prompt设计和ID表征知识注入实现用户兴趣理解和推荐[10] - 模型保留LLM的Transformer结构，修改输入输出层以支持商品ID和特殊查询符处理[17] - 采用商品多模态融合表征方式，结合ID表征和语义表征提升电商信号理解能力[21] - 设计Sequence-In-Set-Out生成方式，通过多用户表征并行生成提升推荐多样性[26][27] 模型训练与效果 - 训练损失包含商品推荐任务(NCE损失)和文本生成任务(负对数似然)两部分[33][35] - 采用完整参数有监督微调，仅冻结商品原始表征[38] - 离线实验显示URM在6/9子任务中超越传统模型，平均Recall提升11%[39] - 消融实验验证了表征融合模块和UM token数量的有效性[40] 工业落地实现 - 设计异步推理链路解决LLM高时延问题，实现用户行为触发和结果持久化[42] - 在LLM推理中增加HashTable支持，提升向量检索能力[46] - 通过多instance容器部署将推理并发QPS提升200%[47] 应用场景与案例 - 支持多场景推荐、多目标推荐、发现性推荐等多种任务类型[16] - 通过文字引导实现情境化推荐，如新年场景下优先推荐儿童新年服装[6][7] - 案例显示能准确推断用户装修阶段和生活品质需求，推荐全屋定制类产品[4]

ChatGPT Search购物功能更新 - 公司宣布更新ChatGPT Search以改善在线购物体验 提供商品推荐 图片 评论及购买链接 实现从需求分析到下单的全流程智能交互 [1] - 用户可使用自然语言输入具体需求 如"15英寸 预算3000元的笔记本电脑" 系统基于实时价格 用户评价及历史偏好生成个性化推荐 [1] - 新增"记忆模式"功能 Pro和Plus用户的历史对话 浏览偏好及购买行为将被记录 用于后续更精准的推荐 [1] 购物功能实现方式 - 购物者无法在ChatGPT内部结账 需跳转至商家网站完成交易 推荐基于用户偏好记忆及全网产品评论 不含广告 [2] - 功能目前仅支持时尚 美妆 家居用品和电子产品等少数类别 未来将扩展更多品类 所有用户均可使用 无需账号 [2] - 搜索结果基于第三方提供的信息 如价格 产品描述和评论 公司目前不对通过ChatGPT的购买行为收费 [2] 行业竞争与战略布局 - 新增购物功能为品牌方提供直接流量入口 有望吸引更多开发者接入ChatGPT及GPTs应用商店 强化平台生态网络效应 [2] - 公司此举旨在与谷歌竞争 谷歌已在Shopping板块推出"Researched with AI"功能 自动聚合全网测评生成推荐摘要 [2] - 公司CEO此前反对广告 现接受"有品位"的广告形式 如通过推荐商品获取佣金 但不出售搜索结果优先展示位置 [3] 产品生态与用户数据 - 公司将整合记忆功能和购物功能至Pro和Plus用户 参考用户聊天记录提供高度个性化商品推荐 [3] - 公司正打造"万能应用"平台 集成AI聊天机器人 搜索引擎 AI语音助手 应用商店与电商入口于一体的生态 [3] - ChatGPT是2025年1月使用最广泛的AI工具 月访问量47亿次 远超其他平台 订阅用户超2000万 月收入至少4.15亿美元 [4] 财务表现与增长预测 - 公司去年营收37亿美元 同比增长近3倍 [5] - 预测到2029年 智能体及其他新产品总营收将超过聊天机器人业务 推动公司整体营收达1250亿美元 [5]